语义分割——无监督域适应

最新推荐文章于 2024-10-03 11:25:43 发布
最新推荐文章于 2024-10-03 11:25:43 发布
阅读量1.3k 收藏 3
点赞数 1
分类专栏： 语义分割 文章标签： cv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40965033/article/details/109453047
版权
ice_56
关注
专栏目录
语义分割背景下UDA（无监督域自适应）的三个方向
odssodssey的博客
03-10 4607
语义分割背景下UDA（无监督域自适应）的三个方向： 1、基于对抗学习 实际上，AdaptSegNet就是经典的基于对抗学习的域适应方法。这一类的方法训练一个判别器来使得目标域的分布在像素空间或者特征空间上进行对齐（在像素空间上的对齐已经被证明对于语义分割任务而言优于特征空间），从而使得分割模型的性能能从源域泛化到目标域上。除了AdaptSeg之外，这一方向上的经典工作还有： 1、Fcns in the wild: Pixel-level adversarial and constraint-based
不需要标注数据的语义分割！ETH&鲁汶大学提出MaskDistill，用Transformer来进行无监督语义分割，SOTA！...
我爱计算机视觉
07-26 1127
关注公众号，发现CV技术之美本篇分享论文『Discovering Object Masks with Transformers for Unsupervised Semantic Segmentation』，苏黎世联邦理工学院&鲁汶大学提出MaskDistill，用Transformer来进行无监督语义分割，在PASCAL VOC上SOTA！代码已开源！详细信息如...
理解无监督学习、无监督图像分割
最新发布
buyaotutou的博客
10-03 1079
通过k-means聚类算法，我们成功地将数据点分成了两个聚类，尽管没有任何标签。这一过程展示了无监督学习如何通过数据本身的结构进行学习和分类。每一次迭代中，算法通过计算距离和更新质心来逐步优化聚类结果。
ICCV21 - 无监督语义分割《Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals》
热门推荐
要相信光
12-15 1万+
文章目录原文地址初识相知回顾 原文地址 ICCV原文地址 初识 在无监督设置下，学习密集语义表征(dense semantic representations)是一个非常重要的问题，这引导网络学习像素级的语义表征/嵌入，这对无监督语义分割非常重要。如果解决了这个问题，那么后续直接使用K-Means聚类将每个像素聚集到对应的sematic groups就可以执行语义分割。 目前采用的无监督表征学习(自监督学习)通常学习到的是图像级的表征【比如进行实例判别的对比学习】，无法表征其具有像素判别性。而一个好的像素
一种无监督语义分割算法：Unsupervised Semantic Segmentation using Invariance and Equivariance in Clustering
Christo的博客
01-29 1508
一种无监督语义分割算法：Unsupervised Semantic Segmentation using Invariance and Equivariance in Clustering
​TPAMI 2023 | 无监督域适应语义分割新视角：统一图像和特征层次的对齐
Paper weekly
05-10 3228
©PaperWeekly 原创 ·作者 |陈超奇单位 |香港大学研究方向 |迁移学习论文标题：I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic Segmentation论文链接：https://arxiv.org/abs/2301.01149（预印版）https://ieeexplore.ieee.o...
无监督语义分割综述
qq_46981910的博客
07-16 1382
语义分割是计算机视觉领域的一个重要任务，旨在将图像中的每个像素分配给特定的语义类别。然而，传统的语义分割方法通常依赖大量标注数据，获取这些数据既费时又昂贵。无监督语义分割方法旨在通过不依赖标注数据或仅需少量标注数据的情况下，实现对图像的精确分割。这些方法通过利用数据的内在结构、图像特征和自监督学习技术，从大量未标注的数据中提取有用的信息，显著降低了对标注数据的依赖。本文综述了无监督语义分割的主要方法，包括基于聚类的方法、基于图割的方法、基于生成模型的方法、基于自监督学习的方法以及基于领域自适应性的方法。
深度学习（8）——无监督语义分割之全卷积域适应网络(FCAN)
Niteowl
11-12 5442
深度学习（8）——无监督语义分割之全卷积域适应网络(FCAN) Fully Convolutional Adaptation Networks for Semantic Segmentation 篇文章发表在CVPR2018上，主要工作是提出了两种域适应策略，探索了如何使用合成图像提升真实图像的语义分割性能。 讲解论文之前，我们先来看几个概念。 域适应（Domain adaptation）： ...
干货！MetaCorrection：解决无监督域适应的domain gap问题
AITIME_HY的博客
10-27 3419
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！无监督域适应(UDA)旨在把知识从有标签源域数据迁移到无标签目标域数据上。现有的基于自训练(self-training)的UDA方...
CVPR 2019 Oral 论文解读 | 无监督域适应语义分割
AI 研习社的博客
05-29 3144
雷锋网AI 科技评论按：百度研究院、华中科技大学、悉尼科技大学联合新作——关于无监督领域自适应语义分割的论文《 Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation》被 CCF A 类学术会议 CVPR2019 收录为Oral 论文 ...
半监督语义分割_paper reading part2
猛码Memmat
04-14 1136
ssss part 2
无监督语义分割：通过对比对象蒙版提案进行无监督语义分割
03-04
对比对象蒙版提案的无监督语义分割 此回购包含我们论文的Pytorch实现： ， ， 和 。 :trophy: SOTA用于无监督的语义分割。 有关更多信息，请查看基准的网站。 内容 介绍 在没有监督的情况下，能够学习图像的密集语义表示是计算机视觉中的重要问题。 然而，尽管它具有重要意义，但这个问题仍未得到很好的探索，只有少数例外考虑了在具有狭窄视觉域的小规模数据集上的无监督语义分割。 我们首次尝试解决传统上用于监督案例的数据集（例如PASCAL VOC）上的问题。 为了实现这一点，我们引入了一种新颖的两步框架，该框架在对比优化目标中采用预定的先验知识来学习像素嵌入。 此外，我们讨论了具有包含有关对象或其部分信息的先验的重要性，并讨论了以无监督方式获得此类先验的几种可能性。 特别是，我们在将像素组合在一起之前采用中级视觉效果，并对比所获得的对象蒙版Kong眼。 因此，我们将方法命名为MaskCon
ADVENT-master_无监督分割_语义分割_自适应_
10-03
基于熵最小化的语义分割，无监督的领域自适应
CVPR2019领域自适应/语义分割：Adapting Structural Information across Domains for Boosting Sema适应结构信息跨领域促进语义分割
ssshyeong的博客
04-21 3976
为了解决用于语义分割任务的无监督域适应问题，提出一个域不变结构提取(DISE)框架解决图像域不变结构和特定于域的纹理表示,进一步实现了图像的跨域翻译和标签转移，提高了分割性能。
无需标注！用Transformer来挖掘先验！MaskDistill：无监督语义分割新网络
阿木寺的博客
08-08 3726
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>CV微信技术交流群转载自：阿柴的算法学习日记在之前读的一篇有意思的文章（ICCV2021-DINO：无监督预训练的ViT居然能够包含关于图像语义分割的明确信息？）中，我们知道了无监督预训练的Transformer能够具有一定的将图像中属于同一类别的区域分割出来的能力，当时就在想这其实...
无监督语义分割？ STEGO 做到了！
Warmer_Sweeter
07-30 461
点击下方卡片，关注“小白玩转Python”公众号《通过特征对应提取进行无监督语义分割》（Unsupervised Semantic Segmentation by Distilling Feature Correspondences），这篇论文将缩小有监督语义分割与无监督语义分割之间的差距。论文下载地址如下：https://arxiv.org/abs/2203.08414既然我们没有标签，那么 ...
通过对比对象掩码建议的无监督语义分割
小白学视觉
02-26 917
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 小白导读论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨...
LUSS~~
whaosoft143ai的博客
11-05 866
又发现一个神器,针对大规模无监督语义分割，程明明团队提出了一个用于LUSS 任务的大规模像素级语义分割数据集 ImageNet-S。在移除了部分不可分割的类别后，ImageNet-S含有 ImageNet中的919 个类别和约120 万张训练图片。语义分割是计算机视觉领域中被广泛关注的一个研究方向，其旨在针对图像中每一个像素进行分类。由于语义分割的固有挑战，目前大多数工作都关注于多样性受限（例如几十类）且数据规模受限场景的语义分割。whaosoft aiot http://143ai.com
基于领域自适应的语义分割（Domain Adaptation-based Semantic Segmentation）
一亩高粱
10-20 1万+
AdaptSegNet
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值